Modus的操作模式：为AI智能体提供恰到好处的上下文

随着越来越多的公司将其AI智能体接入内部数据仓库的最深处，如何确保这些智能体真正理解业务的运作方式？目前，许多组织仍停留在手动构建Markdown文件，并希望在业务变化时能及时更新的阶段。

Modus认为它找到了更好的方法。这家本周正式退出隐身模式、并获得1000万美元融资的初创公司，正在构建业内所谓的“上下文仓库”——一个位于公司现有数据仓库旁边的层，持续映射业务在系统中的运作方式，并在AI智能体需要时仅提供相关的上下文切片。

具体而言，Modus使用其所谓的“上下文挖掘器”从GitHub、dbt、Jira、Snowflake和Postgres等来源爬取相关资产，持续学习业务的运作方式。这些信息随后被转化为“动态生成的技能”：由第二个系统——“上下文组合器”——实时组装而成的简短、目的明确的简报，在智能体接到任务时立即提供。

Modus联合创始人兼CTO Tomer Mesika向The New Stack表示，这种挖掘是持续进行的，并由其自身的内部逻辑指导应该检查什么以及检查频率。

“我们有很多机制来了解组织中应该挖掘什么、以什么节奏挖掘、如何寻找差异、何时深入挖掘以及何时停止，”Mesika说。

Modus联合创始人兼CEO Daniel Shimoni将数据仓库与之直接类比，以突出他试图填补的空白。他认为，公司多年来投入巨资建设基础设施来存储和组织数据，但对于构建在数据之上的理解，却没有任何类似的系统。

“数据仓库背后有逻辑——公司已经知道那是他们管理数据的地方，”Shimoni告诉The New Stack。“但他们在哪里管理上下文？他们在哪里真正理解组织中存在哪些上下文，从而确保智能体只拥有它们所需的内容？”

Shimoni表示，即便是第一步本身就已经足够困难，但随着业务变化保持公司上下文的准确性则更加困难。

“我们注意到，首次构建上下文已经是一个挑战，但维护它是更大的问题，”Shimoni说。“因此，Modus始终从公司的行为中学习，每当业务发生变动时，它都会确保只有相关且更新的上下文被提供给智能体。”

关于成本，Mesika指出这是Modus运作模式的核心组成部分。他认为，前沿模型往往将其令牌预算的很大一部分花在与回答问题无关的工作上。

“你希望更大的模型处理繁重和复杂的任务，以获得巨大价值，”Mesika说。“问题是它们浪费了大量精力和令牌在琐碎任务上。”

这些琐碎任务包括在拉取请求或Jira票据中搜索，仅仅是为了确定什么内容相关，然后智能体才能开始执行分配的任务。

一种方法是让一个小型、更便宜的模型来处理排序工作。Mesika表示Modus更进一步：不是在问题提出时才检索上下文，而是使用小型语言模型与搜索引擎、向量搜索和图数据库（所有这些都预先构建好）在后台持续进行这项工作。等到昂贵的前沿模型介入时，它只接收一份关于所需内容的完整简报。

Shimoni和Mesika分别来自数据密集型企业Lusha和Cyera，他们在2025年9月离职共同创立Modus。两人相识多年，此前一年一直在不同岗位上交流同一问题的解决思路。

“一些挑战非常相似——如何将大量不同的数据资产整合到一个地方供AI使用？”Shimoni说。“我们开始注意到这是一个空白——让AI在公司内部以规模和自信运行。我们决定这是一个值得解决的问题，现在看来我们是对的，因为每个人都在谈论上下文。”

Modus在成立后不久完成了1000万美元的种子轮融资，由Insight Partners领投。其他投资者包括Soma Capital和一些天使投资人，其中包括Cyera和Wix.com的创始人。该公司于2026年1月开始招聘首批员工。

从Modus的定位可以得出一个今年AI圈最常听到的结论：模型本身不再是瓶颈；限制AI系统的是围绕它构建的一切。对于Modus来说，这一认识自公司成立之初就已存在。

“即使在去年……我们就能看到模型能力不再是瓶颈，”Shimoni说。“更重要的是确保它们能访问所需的上下文，以给出正确的答案。”